Dataset de puntos clave de manos#

26,677

Hand Keypoints

ultralytics

publicPose

Hand Keypoints is Rion Dsilva's pose dataset built from three credited gesture collections with MediaPipe annotations. Each image labels one hand with 21 landmarks and visibility, supporting articulated pose estimation across hand shapes, gestures, viewpoints, and backgrounds.

21 class297.5 MBSep 2, 2026

hand

posehandskeypoints+2

Introducción#

El dataset de puntos clave de manos de Ultralytics contiene 26.768 imágenes de manos anotadas con 21 puntos clave cada una, generadas mediante la biblioteca Google MediaPipe para lograr una gran precisión y coherencia. Es compatible con los formatos de Ultralytics YOLO26 para entrenar modelos de estimación de pose.

Puntos clave#

Cada mano está anotada con 21 puntos clave, de la siguiente manera:

1. Muñeca
2. Pulgar (4 puntos)
3. Dedo índice (4 puntos)
4. Dedo corazón (4 puntos)
5. Dedo anular (4 puntos)
6. Dedo meñique (4 puntos)

Estructura del dataset#

• Imágenes totales: 26.768 (18.776 de entrenamiento / 7.992 de validación).
• Clases: 1 (mano).
• Puntos clave: 21 por mano con tripletas (x, y, visibility).
• Tamaño de descarga: ~369 MB.

Para usar un vocabulario de gestos personalizado que vaya más allá de los puntos de referencia genéricos de la mano, Ultralytics Platform gestiona el etiquetado y el entrenamiento de tu propio dataset desde el navegador.

Aplicaciones#

Los puntos clave de manos permiten varias aplicaciones del mundo real:

• Reconocimiento de gestos: interacción persona-ordenador e interfaces de control sin contacto.
• Controles de AR/VR: interacción precisa con objetos virtuales.
• Manipulación robótica: control detallado de manos robóticas.
• Asistencia sanitaria: análisis del movimiento de las manos para diagnósticos médicos.
• Animación: captura de movimiento para lograr movimientos realistas de las manos.
• Autenticación biométrica: sistemas de seguridad basados en la geometría de la mano.

YAML del dataset#

Se utiliza un archivo YAML para definir la configuración del dataset. Contiene información sobre las rutas, las clases y otros datos relevantes del dataset. En el caso del dataset de puntos clave de manos, el archivo hand-keypoints.yaml se mantiene en https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/hand-keypoints.yaml.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# Hand Keypoints dataset by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/pose/hand-keypoints
# Example usage: yolo train data=hand-keypoints.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── hand-keypoints ← downloads here (369 MB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: hand-keypoints # dataset root dir
train: images/train # train images (relative to 'path') 18776 images
val: images/val # val images (relative to 'path') 7992 images

# Keypoints
kpt_shape: [21, 3] # number of keypoints, number of dims (2 for x,y or 3 for x,y,visible)
flip_idx: [0, 1, 2, 4, 3, 10, 11, 12, 13, 14, 5, 6, 7, 8, 9, 15, 16, 17, 18, 19, 20]

# Classes
names:
  0: hand

# Keypoint names per class
kpt_names:
  0:
    - wrist
    - thumb_cmc
    - thumb_mcp
    - thumb_ip
    - thumb_tip
    - index_mcp
    - index_pip
    - index_dip
    - index_tip
    - middle_mcp
    - middle_pip
    - middle_dip
    - middle_tip
    - ring_mcp
    - ring_pip
    - ring_dip
    - ring_tip
    - pinky_mcp
    - pinky_pip
    - pinky_dip
    - pinky_tip

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/hand-keypoints.zip

Uso#

Para entrenar un modelo YOLO26n-pose con el dataset de puntos clave de manos durante 100 épocas y con un tamaño de imagen de 640, puedes utilizar los siguientes fragmentos de código. Para consultar una lista completa de los argumentos disponibles, visita la página de Entrenamiento del modelo.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-pose.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="hand-keypoints.yaml", epochs=100, imgsz=640)

Imágenes de ejemplo y anotaciones#

El dataset de puntos clave de manos contiene un conjunto diverso de imágenes de manos humanas anotadas con puntos clave. Estos son algunos ejemplos de imágenes del dataset, junto con sus anotaciones correspondientes:

• Imagen con mosaico: Esta imagen muestra un lote de entrenamiento compuesto por imágenes del conjunto de datos combinadas mediante mosaico. El mosaico es una técnica utilizada durante el entrenamiento que combina varias imágenes en una sola para aumentar la variedad de objetos y escenas de cada lote de entrenamiento. Esto ayuda a mejorar la capacidad del modelo para generalizar a distintos tamaños de objetos, relaciones de aspecto y contextos.

El ejemplo muestra la variedad y complejidad de las imágenes del dataset de puntos clave de manos, así como las ventajas de utilizar mosaicos durante el proceso de entrenamiento.

Citas y agradecimientos#

Si utilizas el dataset de puntos clave de manos en tu trabajo de investigación o desarrollo, cita las siguientes fuentes:

También queremos reconocer la labor del creador de este dataset, Rion Dsilva, por su gran contribución a la investigación en IA aplicada a la visión.

Preguntas frecuentes#